文章目录
- 零、学习目标
- 一、基本操作
- 二、默认数据源
- (1)默认数据源Parquet
- (2)案例演示读取Parquet文件
- (3).启动shell
- 练习
- student.txt文件转换成student.parquet
- (1)读取文件
- (2)新建一个类并导入spark.implicits._
- (3)处理一下student.txt文件
- (4)转为DF并保存到hdfs
- 2.使用Idea
- (1)ldea准备环境准备
- (2)文件准备
- (3)ldea写
- 三、手动指定数据源
- format()和option()方法概述
- 1. 案例演示读取不同数据源
- (1)读取csv文件
- (2)、读取JSON,保存为parquet
- (3)读取JDBC保存为Json(云上)
- 四、数据写入模式
- (1)、mode()方法
- (2)、枚举类SaveMode
- (3)不同的写入模式
零、学习目标
学会使用默认数据源
学会手动指定数据源
理解数据写入模式
掌握分区自动推断
一、基本操作
Spark SQL提供了两个常用的加载数据和写入数据的方法:load()方法和save()方法。load()方法可以加载外部数据源为一个DataFrame,save()方法可以将一个DataFrame写入指定的数据源。
二、默认数据源
(1)默认数据源Parquet
默认情况下,load()方法和save()方法只支持Parquet格式的文件,Parquet文件是以二进制方式存储数据的,因此不可以直接读取,文件中包括该文件的实际数据和Schema信息,也可以在配置文件中通过参数spark.sql.sources.default对默认文件格式进行更改。Spark SQL可以很容易地读取Parquet文件并将其数据转为DataFrame数据集。
(2)案例演示读取Parquet文件
执行命令: cd $SPARK_HOME/examples/src/main/resources,查看Spark的样例数据文件users.parquet
–用cat命令显示users.parquet文件内容,只会显示乱码
将数据文件users.parquet上传到HDFS的/datasource/input目录
(3).启动shell
spark-shell --master spark://master:7077
–读取hdfs上的文件
val userdf = spark.read.load("hdfs://master:9000/datasource/input/users.parquet")
–查看
val userdf = spark.read.load("hdfs://master:9000/datasource/input/users.parquet")
userdf.show //查看
userdf.printSchema //查看结构
–执行命令:userdf.select("name", "favorite_color").write.save("hdfs://master:9000/datasource/output")
,对数据帧指定列进行查询,查询结果依然是数据帧,然后通过write成员的save()方法写入HDFS指定目录
userdf.select("name", "favorite_color").write.save("hdfs://master:9000/datasource/output")
除了使用select()方法查询外,也可以使用SparkSession对象的sql()方法执行SQL语句进行查询,该方法的返回结果仍然是一个DataFrame。
–基于数据帧创建临时视图,执行命令:userdf.createTempView("t_user")
userdf.createTempView("t_user")
再使用
spark.sql("select name, favorite_color from t_user").write.save("hdfs://master:9000/datasource/output2")
练习
student.txt文件转换成student.parquet
–解决思路:将student.txt转成studentDF,利用数据帧的save()方法保存到/datasource/output3目录,然后将文件更名复制到/datasource/input目录
–得到学生数据帧 - studentDF
1,郑秀芸,女,20
2,王志峰,男,18
3,陈燕文,女,21
4,郑国栋,男,19
6,肖雨涵,男,20
(1)读取文件
val ds = spark.read.textFile("hdfs://master:9000//student2/input/student.txt")
(2)新建一个类并导入spark.implicits._
case class Student(id: Int,name: String,gender: String,age: Int)
spark.implicits._
(3)处理一下student.txt文件
val stuDS = ds.map(line =>{
val fd = line.split(",")
val id = fd(0).toInt
val name = fd(1).toString
val gender = fd(2).toString
val age = fd(3).toInt
Student(id,name,gender,age)
}
)
(4)转为DF并保存到hdfs
val stuDF = stuDS.toDF
stuDF.write.save("hdfs://master:9000/datasource/output3")
2.使用Idea
(1)ldea准备环境准备
- pom.xml 文件
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>net.dw.rdd</groupId>
<artifactId>SparkRDDDemo</artifactId>
<version>1.0-SNAPSHOT</version>
<properties>
<maven.compiler.source>8</maven.compiler.source>
<maven.compiler.target>8</maven.compiler.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
</properties>
<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>2.12.15</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.1.3</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.1.3</version>
</dependency>
</dependencies>
<build>
<sourceDirectory>src/main/scala</sourceDirectory>
</build>
</project>
- hdfs-site.xml文件和log4j.properties文件
在resources目录下创建 hdfs-site.xml和log4j.properties文件
- hdfs-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<configuration>
<property>
<description>only config in clients</description>
<name>dfs.client.use.datanode.hostname</name>
<value>true</value>
</property>
</configuration>
- log4j.properties
log4j.rootLogger=ERROR,console, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
(2)文件准备
把刚刚保存文件改名为student.parquet
hdfs dfs -cp /datasource/output3/part-00000-8ad4f77c-b1b6-45f6-8c65-8a1fd5f9b981-c000.snappy.parquet /datasource/input/student.parquet
(3)ldea写
package net.dw.sql
import org.apache.spark.sql.SparkSession
object ReadParquetFile {
def main(args: Array[String]): Unit = {
//创建或得到Spark会话对象
val spark = SparkSession.builder()
.appName("ReadParquetFile")
.master("local[*]")
.getOrCreate()
// 加载student.parquet文件,得到数据帧
val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet")
//显示学生数据帧内容
studentDF.show()
//查询20岁以上的女生
val girlDF =studentDF.filter("gender='女' and age > 20")
//显示女生数据帧内容
girlDF.show()
//保存到hdfs保证目录不存在
// girlDF.write.save("hdfs://master:9000/datasource/output")
}
}
- 结果
三、手动指定数据源
format()和option()方法概述
1.使用format()方法可以手动指定数据源。数据源需要使用完全 限定名(例如org.apache.spark.sql.parquet),但对于Spark SQL的内置数据源,也可以使用它们的缩写名(JSON、Parquet、JDBC、ORC、Libsvm、CSV、Text)。
2.通过手动指定数据源,可以将DataFrame数据集保存为不同的文件格式或者在不同的文件格式之间转换。
3.在指定数据源的同时,可以使用option()方法向指定的数据源传递所需参数。例如,向JDBC数据源传递账号、密码等参数。
1. 案例演示读取不同数据源
(1)读取csv文件
–执行
cd $SPARK_HOME/examples/src/main/resources
查看Spark的样例数据文件people.csv
–将people.csv文件上传到HDFS的/datasource/input目录,然后查看文件内
–在shell里执行
val peopleDF = spark.read.format("csv").load("hdfs://master:9000/datasource/input/people.csv")
读取人员csv文件,得到人员数据帧
–执行
people.show
查看人员数据帧内容
–大家可以看到,people.csv文件第一行是字段名列表,但是转成数据帧之后,却成了第一条记录,这样显然是不合理的,怎么办呢?就需要用到option()方法来传递参数,告诉Spark第一行是表头header,而不是表记录。
–执行
val peopleDF = spark.read.format("csv").option("header", "true").load("hdfs://master:9000/datasource/input/people.csv")
peopleDF.show
由于csv文件默认分隔符是逗号,而people.csv的分隔符是分号,因此要利用option(“delimiter”, “;”)告诉Spark
–执行命令:
val peopleDF = spark.read.format("csv").option("header", "true").option("delimiter", ";").load("hdfs://master:9000/datasource/input/people.csv")
peopleDF.show
(2)、读取JSON,保存为parquet
–查看people.JSON
–上传到HDFS /datasource/input 目录,并查看其内容
hdfs dfs -put people.json /datasource/input
hdfs dfs -cat /datasource/input/people.json
–在Spark Shell里,执行命令
val peopleDF = spark.read.format("json").load("hdfs://master:9000/datasource/input/people.json")
peopleDF.show
–执行
peopleDF.select("name", "age").write.format("parquet").save("hdfs://master:9000/datasource/output4")
将peopleDF以parquet格式,保存到output4
–查看生成的文件
–将该parquet文件更名拷贝到/datasource/input目录,执行命令
hdfs dfs -cp /datasource/output4/part-00000-a1e62c69-59e5-40b6-8391-89bdfffe61ff-c000.snappy.parquet /datasource/input/people.parquet
- 现在读取/datasource/input/people.parquet文件得到人员数据帧
val peopleDF=spark.read.load("hdfs://master:9000/datasource/input/people.parquet")
peopleDF.show
(3)读取JDBC保存为Json(云上)
- 执行
val userDF = spark.read.format("jdbc")
.option("url", "jdbc:mysql://master:3306/student?useSSL=false")
.option("driver", "com.mysql.jdbc.Driver")
.option("dbtable", "t_user")
.option("user", "root")
.option("password", "p@ssw0rd")
.load()
- 发现没有jdbc驱动
- 执行 cd /SPARK_HOME
在里面上传驱动
- 将数据驱动程序分发到slave1和slave2虚拟机
- 执行命令:scp mysql-connector-java-5.1.48.jar - root@slave1:$SPARK_HOME/jars
- 执行命令:scp mysql-connector-java-5.1.48.jar root@slave2:$SPARK_HOME/jars
- 执行
:paste
进入粘贴模式 - 执行
userDF.show
- 执行命令,将userDF的结果以json保存到hdfs
userDF.write.format("json").save("hdfs://master:9000/datasource/output5")
- 执行命令,查看刚刚保存在hdfs上的文件
hdfs dfs -cat /datasource/output5/*
四、数据写入模式
(1)、mode()方法
- 在写入数据时,可以使用mode()方法指定如何处理已经存在的数据,该方法的参数是一个枚举类SaveMode。
- 使用SaveMode类,需要import org.apache.spark.sql.SaveMode;
(2)、枚举类SaveMode
- SaveMode.ErrorIfExists:默认值。当向数据源写入一个DataFrame时,如果数据已经存在,就会抛出异常。
- SaveMode.Append:当向数据源写入一个DataFrame时,如果数据或表已经存在,会在原有的基础上进行追加。
- SaveMode.Overwrite:当向数据源写入一个DataFrame时,如果数据或表已经存在,就会将其覆盖(包括数据或表的Schema)。
- SaveMode.Ignore:当向数据源写入一个DataFrame时,如果数据或表已经存在,就不会写入内容,类似SQL中的CREATE TABLE IF NOT EXISTS。
(3)不同的写入模式
- 查看数据源:people.json
hdfs dfs -cat /datasource/input/people.json
- 在spark-shell里读取 一下 people.json
- 导入SaveMode包
import org.apache.spark.sql.SaveMode;
- 保存到/datasource/result 目录
peopleDf.select("name").write.mode(SaveMode.Overwrite).format("json").save("hdfs://master:9000/datasource/result")
- 查看 保存的数据
hdfs dfs -cat /datasource/result/*